Google DeepMind’ın yeni bir yapay zeka modeli olan GenCast, geleneksel hava durumu tahminleriyle rekabet edebilecek kadar doğrudur. Yakın zamanda yayınlanan araştırmaya göre, 2019 verileri üzerinde test edildiğinde önde gelen bir tahmin modelinden daha iyi performans göstermeyi başardı.
Yapay zeka yakın zamanda geleneksel tahminlerin yerini almayacak ancak hava durumunu tahmin etmek ve halkı şiddetli fırtınalar konusunda uyarmak için kullanılan araçların cephaneliğine katkıda bulunabilir. GenCast, çeşitli yapay zeka hava tahminlerinden biridir geliştirilen modeller bu daha doğru tahminlere yol açabilir.
GenCast, daha doğru tahminlere yol açabilecek çeşitli yapay zeka hava durumu tahmin modellerinden biridir
DeepMind’da kıdemli araştırma bilimcisi olan Ilan Price, “Hava durumu temel olarak hayatımızın her alanına dokunuyor… aynı zamanda hava durumunu tahmin etmek de en büyük bilimsel zorluklardan biri” diyor. “Google DeepMind’ın yapay zekayı insanlığın yararına geliştirme misyonu var. Ve bunun bu cepheye önemli bir katkı, önemli bir yol olduğunu düşünüyorum.”
Price ve meslektaşları GenCast’ı, Avrupa Orta Vadeli Hava Tahminleri Merkezi tarafından yürütülen, dünyanın en üst düzey tahmin modellerinden biri olan ENS sistemiyle karşılaştırarak test etti (ECMWF). Araştırmaya göre GenCast, ENS’den yüzde 97,2 oranında daha iyi performans gösterdi bu hafta dergide yayınlandı Doğa.
GenCast, 1979’dan 2018’e kadar olan hava durumu verileriyle eğitilmiş bir makine öğrenimi hava tahmin modelidir. Model, kırk yıllık tarihsel verilerdeki kalıpları tanımayı öğrenir ve bunu gelecekte neler olabileceğine dair tahminler yapmak için kullanır. Bu, atmosferin fiziğini simüle etmek amacıyla karmaşık denklemleri çözmek için hala süper bilgisayarlara dayanan ENS gibi geleneksel modellerin çalışma şeklinden çok farklı. Hem GenCast hem de ENS üretiyor topluluk tahminleribir dizi olası senaryo sunar.
Örneğin tropik bir kasırganın yolunu tahmin etmeye gelince, GenCast ortalama 12 saatlik ek bir uyarı verebildi. GenCast genellikle kasırga izlerini, aşırı hava koşullarını ve rüzgar enerjisi üretimini 15 gün öncesine kadar tahmin etmede daha iyiydi.
Bir uyarı, GenCast’ın kendisini artık daha yüksek çözünürlükte çalışan ENS’nin eski bir sürümüne karşı test etmesidir. Hakemli araştırma, GenCast tahminlerini 2019 için ENS tahminleriyle karşılaştırıyor ve her modelin o yıl gerçek dünya koşullarına ne kadar yaklaştığını görüyor. ECMWF makine öğrenimi koordinatörü Matt Chantry’ye göre ENS sistemi 2019’dan bu yana önemli ölçüde gelişti. Bu, GenCast’ın bugün ENS’ye karşı ne kadar iyi performans gösterebileceğini söylemeyi zorlaştırıyor.
Elbette, güçlü tahminler yapmak söz konusu olduğunda çözünürlük tek önemli faktör değildir. ENS, 2019’da zaten GenCast’tan biraz daha yüksek bir çözünürlükte çalışıyordu ve GenCast yine de onu geçmeyi başardı. DeepMind, 2020’den 2022’ye kadar olan veriler üzerinde benzer çalışmalar yürüttüğünü ve benzer sonuçlar bulduğunu ancak bunların hakem incelemesinden geçmediğini söylüyor. Ancak ENS’nin çok daha yüksek bir çözünürlükte çalışmaya başladığı 2023 yılı için karşılaştırma yapacak verilere sahip değildi.
Dünyayı bir ızgaraya bölen GenCast, 0,25 derecelik çözünürlükte çalışıyor; bu, bu ızgaradaki her karenin çeyrek derece enlem ve çeyrek derece boylam olduğu anlamına geliyor. Buna karşılık ENS, 2019’da 0,2 derece çözünürlük kullandı ve şu anda 0,1 derece çözünürlükte.
Chantry, e-postayla yaptığı açıklamada yine de GenCast’ın geliştirilmesinin “hava tahmininin evriminde önemli bir dönüm noktasına işaret ettiğini” söyledi. ECMWF, ENS’nin yanı sıra kendi versiyonunu da çalıştırdığını söylüyor makine öğrenme sistemi. Chantry bunun “GenCast’tan ilham aldığını” söylüyor.
Hız GenCast için bir avantajdır. Tek bir Google Cloud TPU v5 kullanarak yalnızca sekiz dakikada 15 günlük bir tahmin üretebilir. ENS gibi fizik tabanlı modellerin aynı şeyi yapması birkaç saat sürebilir. GenCast, ENS’nin çözmesi gereken tüm denklemleri atlıyor, bu nedenle tahmin üretmek daha az zaman ve hesaplama gücü gerektiriyor.
Price, “Hesaplama açısından, Gencast gibi bir modelle karşılaştırıldığında geleneksel tahminleri yürütmek çok daha pahalı” diyor.
Bu verimlilik, Google’ın son yıllarda artan sera gazı emisyonlarına zaten katkıda bulunan, enerjiye aç yapay zeka veri merkezlerinin çevresel etkileriyle ilgili bazı endişeleri hafifletebilir. Ancak makine öğrenimi modelini eğitmek için ne kadar enerji kullanıldığını bilmeden sürdürülebilirlik söz konusu olduğunda GenCast’ın fizik tabanlı modellerle nasıl karşılaştırıldığını anlamak zor.
Potansiyel olarak daha yüksek bir çözünürlüğe ölçeklendirme de dahil olmak üzere GenCast’ın yapabileceği iyileştirmeler hala var. Üstelik GenCast, genellikle daha kısa aralıklarla tahmin yapan geleneksel modellere kıyasla 12 saatlik aralıklarla tahminler ortaya koyuyor. Bu, bu tahminlerin gerçek dünyada nasıl kullanılabileceği konusunda bir fark yaratabilir (örneğin ne kadar rüzgar enerjisinin mevcut olacağını değerlendirmek için).
“Bir nevi kafamızı toparlıyoruz, bu iyi mi? Peki neden?”
GenCast araştırmasında yer almayan Florida Üniversitesi meteoroloji profesörü Stephen Mullens, “Rüzgârın yalnızca sabah 6 ve akşam 6’da değil, gün boyunca ne yapacağını bilmek istersiniz” diyor.
Yapay zekanın tahminleri iyileştirmek için nasıl kullanılabileceğine yönelik ilgi giderek artıyor ancak yine de kendini kanıtlaması gerekiyor. “İnsanlar buna bakıyor. Meteoroloji camiasının bir bütün olarak bu konuda alınıp satıldığını düşünmüyorum” diyor Mullens. “Bizler fizik açısından düşünen eğitimli bilim insanlarıyız… ve yapay zeka temelde bu olmadığı için hâlâ kafamızı kurcalayan bir unsur var, bu iyi mi? Peki neden?”
Tahminciler GenCast’ı kendileri kontrol edebilir; DeepMind yayınladı kod açık kaynak modeli için. Price, geleneksel modellerin yanı sıra gerçek dünyada GenCast ve daha gelişmiş yapay zeka modellerinin kullanıldığını gördüğünü söylüyor. Price, “Bu modeller uygulayıcıların eline geçtiğinde güven ve itimat daha da artar” diyor. “Bunun bir tür yaygın sosyal etkiye sahip olmasını gerçekten istiyoruz.”
